論文の概要: Decision Kernels for Quantum Error Mitigation: Why Accuracy Gains Need Not Improve Downstream Decisions

• arxiv url: http://arxiv.org/abs/2607.02888v1
• Date: Fri, 03 Jul 2026 02:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.445272
• Title: Decision Kernels for Quantum Error Mitigation: Why Accuracy Gains Need Not Improve Downstream Decisions
• Title（参考訳）: 量子エラー低減のための意思決定カーネル:なぜダウンストリーム決定を改善する必要のないのか
• Abstract要約: 下流決定のための有限ショットQEMの理論を開発する。 我々は、商因子化、ギャップロー極小性、限界ノーゴー定理、QEMプルバック定理、固定配置ショットレベル逆を証明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum error mitigation (QEM) is usually benchmarked by expectation-value accuracy, but many near-term workflows use those values only to make downstream choices such as argmin selection, ranking, top-k filtering, optimizer-step acceptance, or phase labeling. This creates a structural mismatch: accuracy is measured in the ambient landscape space, whereas shift-invariant decisions depend only on gaps. We develop a quotient-space theory of finite-shot QEM for downstream decisions. The minimal decision-complete object is the residual gap law; in Gaussian finite-shot regimes it is summarized by effective margins and a decision kernel. The QEM-specific point is that this kernel is not free: it is the pullback of shared physical device noise through the mitigation map. We prove quotient factorization, gap-law minimality, a marginal no-go theorem, a QEM pullback theorem, Gaussian decision-risk formulas, and a fixed-allocation shot-level converse. Finite-shot Qiskit Aer simulations demonstrate the predicted divergence in the evaluated regimes. Clifford-data regression can be decision-flat while improving mean-squared error, and probabilistic error cancellation can improve accuracy while worsening decision risk through sampling overhead. Decision-aware selection modestly reduces static held-out failure relative to accuracy-based selection, often by retaining Raw, but the dynamic success target is not reached. Pre-registered stress tests under a calibrated device-noise model and on a hardware micro-cell probe robustness beyond these regimes. The operational implication in the evaluated regimes is to select QEM methods through residual gap geometry, not from expectation-value accuracy alone.
• Abstract（参考訳）: 量子エラー軽減(QEM)は通常、期待値の精度でベンチマークされるが、多くの短期ワークフローでは、Argminの選択、ランキング、トップkフィルタリング、オプティマイザステップの受け入れ、フェーズラベリングなどの下流選択にのみ、これらの値を使用する。 これは構造的なミスマッチを生み出す: 正確さは周囲の風景空間で測定されるが、シフト不変の決定はギャップにのみ依存する。 下流決定のための有限ショットQEMの商空間理論を開発する。 最小限の決定完全対象は残差法則であり、ガウスの有限ショット法則では、有効マージンと決定核によって要約される。 QEM特有の点は、このカーネルは自由ではないということだ。 我々は、商因子化、ギャップロー極小性、限界ノーゴー定理、QEMプルバック定理、ガウス的決定リスク公式、固定配置ショットレベル逆を証明する。 有限ショットQiskit Aerシミュレーションは、評価された状態における予測されたばらつきを実証する。 クリフォードデータの回帰は平均二乗誤差を改善しながら決定平らにすることができ、確率的誤差キャンセルは、サンプリングオーバーヘッドを通じて決定リスクを悪化させながら精度を向上させることができる。 決定認識選択は、Rawを保持することにより、精度ベースの選択に対して静的なホールドアウト障害を適度に低減するが、動的成功目標には到達しない。 キャリブレーションされたデバイスノイズモデルとハードウェアマイクロセルプローブによるプレ登録応力試験。 評価体制における運用上の意味は、予測値の精度だけからではなく、残差幾何学を通してQEM法を選択することである。

関連論文リスト

• Finite Reliability Representations: Noise-Calibrated Belief-Space Covers for Reliable Decision-Making [0.0]
  信頼性セルによる信念空間を包含するフレームワークであるFinite Reliability Representations (FRR)を紹介する。 FRRは状態ではなく信念に基づいて定式化され、同値商ではなく表紙を使用する。 有限POMDP、線形ガウスフィルタ、局所線型化非線形フィルタ、粒子フィルタの実装に適用できる。
  論文  参考訳（メタデータ） (2026-07-04T20:30:48Z)
• Error-Conditioned Neural Solvers [36.51479208528461]
  ニューラルサロゲートモデルは、PDEパラメータから解への高速な近似マッピングを提供するが、それらは一般に純粋に統計的タスクとして解決を扱う。 最近のハイブリッド手法は、勾配降下またはガウス・ニュートンステップを介してPDE残差を目標とすることで物理的正当性を促進するが、基礎となる古典勾配の計算コストと不安定性を継承する。 理論的・実験的にPDE残差の数値最小化は、不調なシステムにおける再構成精度の信頼性の低いプロキシであることを示す。
  論文  参考訳（メタデータ） (2026-06-25T17:56:27Z)
• When Bits Break Recourse: Counterfactual-Faithful Quantization [0.6999740786886536]
  我々は、妥当性、コスト、方向安定性を通じて、量子化の下での対実感度を定式化する。 本稿では, 量子化器パラメータと混合精度ビット割り当てを訓練し, 対物行動の保存を行うCFQを提案する。
  論文  参考訳（メタデータ） (2026-05-16T21:19:31Z)
• Variational Neural Belief Parameterizations for Robust Dexterous Grasping under Multimodal Uncertainty [5.4872967954342675]
  リスクに敏感なPOMDPは、スケールの低さ、勾配に基づく最適化、条件付き値-アット・リスクの推定といった粒子フィルタの信念を使用する。 代わりに、潜在接触パラメータとオブジェクトのポーズに対する変分推論として把握獲得を定式化し、微分可能なガウス混合による信念を表現する。
  論文  参考訳（メタデータ） (2026-04-28T17:40:49Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
  CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。 実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。 合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:52:12Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Ask for More Than Bayes Optimal: A Theory of Indecisions for Classification [0.8283940114367678]
  選択分類におけるミニマックスリスクの完全な評価を行う。 非漸近的保証を伴う有限サンプル校正法を提案する。 ガウス混合物と実際のデータセットの実験により、小さな不確定比がかなりの精度の向上をもたらすことが確認された。
  論文  参考訳（メタデータ） (2024-12-17T11:25:51Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。